Análisis Estadístico

Dra. Adela Del Carpio Rivera

Doctor En Medicina
ANTE LA GRAN CANTIDAD DE
INFORMACIÓN
Debemos saber discernir entre:

 Cuál es la información que necesitamos

 Si el estudio tiene real validez

 Saber interpretar correctamente la metodología

estadística.
ANALISIS ESTADÍSTICO
 El análisis estadístico se divide en tres grandes tipos:
Univariado

Bivariado

Multivariado
ANÁLISIS UNIVARIADO

 Univariado
Se describen las características de una variable por vez

 También se le conoce como Estadística Descriptiva

ANÁLISIS ESTADÍSTICO UNIVARIADO
 TABLA Nº 1 FRECUENCIA DE TBC PULMONAR POR ÓRGANO AFECTADO

TIPOS DE TBC Nº PORCENTAJE PORCENTAJE

ACUMULADO
PULMONAR 67 58.27% 58.27%

RENAL 12 10.43% 68.69%

MENÍNGEA 20 17.39% 86.08%

GENITAL 16 13.91% 100%

TOTAL 115 100%

ANÁLISIS BIVARIADO

Se investiga la influencia de la variable Independiente,

por vez, con respecto a la variable Dependiente
ANÁLISIS BIVARIADO

 Variable Independiente
Factor de Riesgo:
Enfermo
Beber Agua no potable
A + -
g
u
+ 20 40
 Variable Dependiente
a - 97 59
Enfermedad:
Cólera
 ANÁLISIS BIVARIADO

Variable Independiente
Factor de Riesgo:
 Peso al Nacer

variable dependiente
Enfermedad:
 hipertensión sistólica
ANÁLISIS MULTIVARIADO
Se investiga la influencia
de dos o más
Variables Independientes,
junto o no a una o más variables asociadas
(covariables o cofactores)
sobre una o más
Variables Dependientes
ANALISIS MULTIVARIADO: REGRESIÓN LOGÍSTICA
TABLANumber
1 CONTROL
Number
of strata
of PSUs PRENATAL,
=
=
49
1113 PARIDAD, EDAD MATERNA
Number of obs
Population size
= 8417
= 6917.9088
Design df = 1064
F( 18, 1047) = 65.41
Prob > F = 0.0000

Linearized
PS Coef. Std. Err. t P>|t| [95% Conf. Interval]

CPci .1713693 .0199854 8.57 0.000 .1321539 .2105846

CPci2 -.0067207 .0012622 -5.32 0.000 -.0091973 -.004244
told_comp .1378946 .0559186 2.47 0.014 .0281713 .2476179
multiple 1.173797 .2535498 4.63 0.000 .6762824 1.671311
labor_prol .2370946 .0512 4.63 0.000 .1366301 .3375591
n_hijos -.1109933 .0171813 -6.46 0.000 -.1447065 -.0772801
edad_nacHV -.0914881 .0236497 -3.87 0.000 -.1378934 -.0450829
edadnac_2 .0020827 .0004262 4.89 0.000 .0012465 .0029189
educ .055531 .0074086 7.50 0.000 .0409939 .0700682
agri -.3392816 .0696039 -4.87 0.000 -.4758581 -.2027051
decision_p -.139124 .0516724 -2.69 0.007 -.2405154 -.0377326
NSE .2683731 .0302954 8.86 0.000 .2089275 .3278187
_ISREGION_3 -.5599627 .0885707 -6.32 0.000 -.7337559 -.3861695
_ISREGION_4 -.3908881 .1310198 -2.98 0.003 -.6479745 -.1338016
_ISREGION_5 -.430737 .0963304 -4.47 0.000 -.6197562 -.2417179
_EESS_pob .066815 .025233 2.65 0.008 .017303 .116327
prob_perso~f -.0940079 .0499524 -1.88 0.060 -.1920242 .0040085
uso_ACmode~o .2520376 .056576 4.45 0.000 .1410243 .3630508
_cons -.2162597 .3206778 -0.67 0.500 -.8454924 .412973
 La determinación de la presencia o ausencia de un
suceso en dos grupos diferentes es una situación
habitual en los estudios clínicos.

 Los resultados se muestran en una tabla de

contingencia 2 x 2.
SIGNIFICADO ESTADÍSTICO

• La lectura de una OR, un RR es idéntica y basta

con aplicar las palabras “veces más” o “por cada 1”
EJEMPLO
• Por ejemplo si una droga con respecto al placebo produce
una OR de 1,3, significa que la droga es 1,3 veces mejor que
el placebo.

• Si se tratara de un estudio sobre el riesgo de un evento sobre

otro, el RR indicaría que el riesgo de eventos terminales que
se podrían esperar de la droga durante el tiempo de
seguimiento es 1.3 veces más alta que el placebo.
 El riesgo del grupo control es 1, por lo que un riesgo 1 supone
que no hay diferencias entre la droga y el placebo.

 Este tipo de resultados se suele acompañar del intervalo de

confianza (IC)

 Que es la expresión de lo que la variabilidad debida al azar

puede hacerlo oscilar en la población real (expresa los límites
que con una cierta seguridad contendrán ese verdadero valor)
• Generalmente los IC se calculan con una seguridad del 95%

• Solo deja una probabilidad de 5% (0.05) de que el verdadero

valor del OR no se halle en ese intervalo;

• Por lo tanto, el IC nos proporciona la misma información

cualitativa que el valor de la p.
COMO SABEMOS SI ES
ESTADÍSTICAMENTE SIGNIFICATIVO?
 Si en lugar de OR 1,3 el resultado hubiese sido menor de 1,
como por Ej. 0,2, significa que la droga cura 0,2 y el placebo
sigue con el valor 1, por lo tanto es menos efectiva que el
placebo.

 Si el IC del 95% entre 0,1-0,5 sería distinto de la igualdad (p

< 0,05) puesto que este IC no contiene el 1;

 Pero si los límites estuvieran entre 0,06 y 1,2 no existiría

significación pues el 1 cae dentro del intervalo
EJEMPLO
 En un estudio de casos y controles se quiere determinar si el
consumo de fibra es o no un factor de protección para el
cáncer de colon

 1 Calcule un estimador del riesgo asociado a la variable

independiente consumo de fibra.
 2. ¿Qué significa este resultado?
 CASOS CONTROLES

GRUPO DE 92 160
EXPUESTOS

NO EXPUESTOS 108 140

200 300
 OR = (92x140)/(160x108) = 0.75 o 75%

 OR menor de 1 significa que el consumo de fibra es un factor

de protección
 EJEMPLO

 En un estudio de pacientes hipertensos se pretende investigar

la posible asociación entre la probabilidad de padecer un
infarto y el grado de control de la hipertensión.

 Para ello se analiza una muestra aleatoria de 728 pacientes,

observándose los siguientes resultados
RESULTADOS

MAL CONTROL BUEN

CONTROL

INFARTO 10 07 17

NO INFARTO 250 461 711

260 468 728

 El procedimiento estadístico habitual para contrastar la
presencia de asociación es utilizar la prueba del chi² o la
prueba exacta de Fisher, cuando las frecuencias de las
celdas son pequeñas.

 El valor del chi² para esa tabla es de 3.1 que corresponde a un

nivel de probabilidad de 0.08.
 De acuerdo con los datos de este ejemplo:

 El riesgo de infarto en el grupo de mal control es

 10 / 260 = 0.04,

 mientras que el riesgo en el grupo de buen control es de

 7 / 468 = 0.015.
 Existen diferentes procedimientos para cuantificar la
importancia de la asociación:

 Cuando se utiliza el cociente de esos dos riesgos

0.04 / 0.015 = 2.6
 Nos indica cuánto más probable es que ocurra el suceso en el
primer grupo frente al segundo.

 Es lo que se conoce como Riesgo Relativo (RR).

 Actualmente otra medida muy utilizada es la que se
denomina "odds ratio" (OR), para la que no hay un
término en castellano que sea bien aceptado.

 El odds (ventaja) es otra forma de representar un riesgo,

mediante el cociente entre el número de veces que ocurre el
suceso frente a cuántas veces no ocurre.

 Así un odds de 3 indica que 3 personas sufrirán el suceso

frente a 1 que no lo hará.
 En la tabla anterior el odds de infarto en el grupo de Mal
Control es 10 / 250 = 1 / 25 = 0.04, es decir que ocurre 1
vez por 25 veces que no ocurre.

 En el grupo de buen control el odds es 7 / 461 = 0.015.

 El cociente de los odds de los dos grupos es lo que se

denomina odds ratio y constituye otra forma de cuantificar la
asociación entre dos variables dicotómicas. En la tabla
anterior el valor del odds ratio es aproximadamente 2.6
 Así un odds de 3 indica que 3 personas sufrirán el suceso
frente a 1 que no lo hará.

 En la tabla anterior el odds de infarto en el grupo de Mal

Control es 10 / 250 = 1 / 25 = 0.04, es decir que ocurre 1
vez por 25 veces que no ocurre.
El cálculo del odds ratio a partir de los datos de
frecuencia de una tabla 2 x 2 es muy sencillo:

a b
c d

ad
OR 
bc
El riesgo relativo de aparición del suceso del grupo
A frente al grupo B se calcula como:

a
Grupo A Grupo B
Suceso a b (a  c)
No suceso c d b
(b  d )
Razones para utilizar el odds ratio

 Está claro que la interpretación del riesgo relativo es más

intuitiva que la del odds ratio

 ¿Por qué entonces se usa tanto el odds ratio. Hay varias

razones:
 . En primer lugar puede ser calculado en cualquier tabla 2 x 2

 Mientras que el riesgo relativo no se puede calcular en los

estudios caso-control.
 Permite examinar el efecto que otras variables pueden causar
en esa asociación (como podrían ser por ejemplo la edad, el
sexo, etc).

 Otra propiedad interesante del odds ratio es que no varía

aunque se cambie el orden de las categorías en cualquiera de
las variables, lo que no ocurre con el riesgo relativo.
 Cuando los riesgos (o los odds) en ambos grupos son
pequeños (inferiores al 20 %) el odds ratio se aproxima
bastante al riesgo relativo pudiendo considerarse como una
buena aproximación de éste.

 La valoración estadística de las asociaciones encontradas debe

realizarse mediante el cálculo de los correspondientes
intervalos de confianza.
EL ODDS RATIO PERMITE

1. Reconocer la naturaleza como factor de riesgo o de

protección de una exposición.
2. Identificar la magnitud o fuerza de la asociación, lo que
permite hacer comparaciones.
3. Su valor es independiente de la incidencia de la condición
en estudio.
4. De gran utilidad en estudios de casos y controles
5. Su valor suele ser semejante al del RR.
Interpretación del valor de OR
calculado
Estrictamente hablando el odds ratio indica la magnitud de
asociación entre exposición y resultado (en otras palabras el
riesgo de haber estado expuesto dada la enfermedad).

 Si el cociente calculado determina un valor de 1, esto

significa que no hay asociación entre las variables analizadas
(la exposición positiva o negativa no hace diferencia respecto
al riesgo de enfermar).
 Un valor mayor que 1 indica una mayor frecuencia de
exposición de la variable independiente entre los enfermos
(casos). Por tanto, el factor estudiado se asocia con un mayor
riesgo de enfermar.

 Si el valor del OR calculado es inferior a 1, esto indica mayor

frecuencia de exposición entre los sujetos sanos (controles).
En este caso, la presencia del factor estudiado reduce el
riesgo de enfermar (actuando como un factor de protección).
 INTERPRETACION DEL ODDS
VALOR ODDS Intervalo de Intervalo de Tipo de
RATIO confianza confianza asociacion
inferior superior

1 No evidencia de
asociación

Mayor de 1 >1 >1 Significativa, riesgo

Mayor de 1 <1 >1 No significativa

Menor de 1 < de 1 < de 1 Significativa,

protección

Menor de 1 < de 1 > de 1 No significativa

Resumen
ANALISIS DE DATOS CUANTITATIVOS

PROGRAMAS COMPUTACIONALES

ESTADÍSTICA:
Descriptiva
Inferencial
 ANALISIS DE DATOS CUANTITATIVOS

SPSS

MINITAB
PROGRAMAS
COMPUTACIONALES
SAS

STATS
Paquetes estadísticos
Conjunto de programas y subprogramas informáticos
conectados

Para el análisis estadístico de datos

Que permite resolver problemas de estadística descriptiva,

inferencial o ambas.
 ANALISIS DE DATOS CUANTITATIVOS

ESTADISTICA

Distribución
De Frecuencias

Medidas de  Media
Tendencia central  Mediana
 Moda

1. DESCRIPTIVA Medidas de  Rango

Variabilidad  Desviación estándar
 Varianza

Gráficas

Puntuaciones Z
 ANALISIS DE DATOS CUANTITATIVOS
ESTADISTICA
 Coeficientes
como
Estimar de correlación
que sirva
Parámetros  Prueba t
para
Análisis  Prueba de la
y
Paramétricos Diferencia de
proporciones.
 Análisis de
varianza.
Probar
2 INFERENCIAL Hipótesis  Chi cuadrado
 Coeficientes de
Spearman y
Análisis no
Kendall.
Se basa Paramétricos
en
Distribución  Coeficientes para
muestral como tabulaciones
cruzadas
 PRUEBAS DE HIPOTESIS

1. Pruebas Paramétricas
 Variables que tienen distribución normal

Ejm. t student, Análisis de Varianza unidireccional,

Coeficiente Correlación de Pearson, Diferencia
de Proporciones, Regresión Lineal.

2. Pruebas No Paramétricas
 Chi Cuadrado,
 Coeficiente para tabulaciones cruzadas
 Coeficiente de Spearman
 Coeficiente de Kendall